《長髮公主不為人知的辛酸史!？小小驗證家說給你聽！》——2018數感盃 / 國中組專題報導類佳作

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

哺乳動物的毛髮功能

所有哺乳動物都有毛髮（即使是醜得離譜的裸鼴鼠^註也有幾根陰毛），或多或少罷了，不過人類算是其中毛髮最少的。毛髮的主要功能是為我們的祖先們保暖，人全身約有五百萬根毛髮，其中大部分每天生長約○．四公釐（○．○二英寸）。這毛髮量聽起來好像很多，但與海狸上百億的毛髮和灰蝶的一千億根毛相比，這個數字就顯得微不足道了。

人類在演化過程中捨棄掉如此多毛髮，這在靈長類動物中絕無僅有，發生的原因目前尚不清楚。基因中有跡象顯示，我們約在一百七十萬年前就不再努力長毛了。

人類捨棄掉這麼多毛髮的原因

人類的體毛生長可能已轉化為青春期後的第二性徵，當我們準備好生育時才會出現。有個有趣的觀點是這樣的，人類毛髮脫落是因為跳蚤等體外寄生蟲作祟。

當人類的社群性格發展得更加明顯，群聚生活變得更緊密，跳蚤和蝨子的問題會變得更令人在意──將容易窩藏寄生蟲的毛髮削減掉，可避免牠們大批繁殖侵擾而造成破壞。

另外有個理論認為，人類學會用火之後，濃密的毛髮可能就成了一種負擔──毛髮稀疏的人引火自焚的機率比較小──但這個說法有點站不住腳。

你閱讀本節時或許已經發現，我們對毛髮的了解遠不及我們所未知的。為什麼有些人頭髮是捲的，有些是直的，為什麼我們有頭皮屑，為什麼陰毛如此粗硬，這些都是待解的科學謎團。

一步一步解開毛髮的謎底

雖然如此，但基本生物學原理套用到所有毛髮上都還是說得通的。毛髮從深陷皮膚的毛囊中發芽，細胞在那裡分裂和繁殖，將毛髮從真皮乳突中擠出，有點像擠牙膏。你的頭髮在夏天長得比冬天時更快，毛髮的學術名稱為複層鱗狀角質化上皮（stratified squamous keratinized epithelium）。

複層意味著它是一層又一層細絲拼排而成，鱗狀表示它表面的細胞扁平，角質化上皮是一種由角蛋白組成的動物組織，角蛋白是相當特殊的纖維蛋白，許多堅韌而靈活的動物身體部位都由這種基礎材質構成，包括頭髮、指甲、爪子和蹄子。

毛髮實際上已經死了，裡面沒有生化活動，但讓我們截取一根髮絲的橫切面來看看。它由三個主要的同心環組成：位於中心的是柔軟細緻、相對無明顯結構的髓質。

包圍它的是皮質，皮質為毛髮提供堅韌強度和支撐結構，並賦予其顏色（取決於黑色素含量）。然後是角質層外殼，其表面覆蓋著一層油性防水脂肪，只有薄薄的一個分子那麼厚。

毛髮的生長週期可謂絢爛又奇特，可分成三個發育階段，你身上的每根毛必定處於其中之一：較長的毛髮生長期；較短的衰退分解階段，此時毛囊收縮；以及休止期，此時原本的毛髮脫落，新的毛髮開始生長。

註解

• 裸鼴鼠是哺乳類動物中唯一的溫度順應者（thermoconformer），牠們與昆蟲一樣，實際上是冷血動物，不必為調節體溫的事操心。

——本文摘自《有點噁的科學：尷尬又失控的生理現象》，2023 年 8 月，時報出版，未經同意請勿轉載。

貝多芬，是歷史上最知名的音樂家之一。2023 年問世的論文報告貝多芬的基因組，得知他有肝硬化的遺傳高風險，另外還感染 B 型肝炎病毒，令台灣人肝同身受。

貝多芬留下很多頭髮，哪些是真的？

貝多芬在公元 1770 年 12 月 16 日出生，1827 年 3 月 26 日去世。他在生前就非常知名，去世後名聲歷久不衰，相關研究很多，這項研究從遺傳學切入，獲得寶貴的新觀點。

貝多芬去世後留下一些遺物，但是不見得是真品。這項研究由 8 份獨立收藏的頭髮抽取 DNA，據說源自貝多芬不同年紀留下的頭髮。

8 份樣本，有 1 份「Kessler」的 DNA 含量不足，其餘 7 份足夠分析。5 份長期由不同人保存，遺傳訊息卻完全一致，應該就是貝多芬本人的。其餘 2 份看來分屬沒有關係的 2 個人，顯然不是貝多芬的頭毛。

值得一提的是，「Hiller」頭毛之前檢驗出重金屬，有人藉此提出貝多芬去世前健康惡化，和重金屬中毒有關。但是這回得知這根本不是貝多芬的頭髮，推翻此一論點。

貝多芬的Y染色體，有點謎

從 5 個獨立來源獲得的古代 DNA，能拼湊出完整的基因組，覆蓋率高達 24。遺傳上看來是一位歐洲中部的男生，血緣上沒有特殊之處。Y 染色體型號為 I1a-Z139，也是歐洲的常見型號。

由不同頭髮中取樣拼湊而成的基因組，幾乎可以確認來自貝多芬本人。然而，和貝多芬家族如今的親戚比對，Y 染色體卻不一樣。

音樂家貝多芬在 1770 年出生，名字為 Ludwig van Beethoven。歷史可考有一位 1535 年出生、1609 年去世的祖先 Aert van Beethoven，比他更早好幾代，並且有男性後裔流傳至今。

歐洲的姓是父系傳承，Y 染色體也是；所以同姓的人 Y 染色體應該類似，只有歷代突變累積的少數差異。然而比對發現，如今五位貝多芬的 Y 染色體皆為 R-FT446200，和音樂家貝多芬不同。

如果歷史記載正確，這五位應該都是 Aert 的直系後裔。論文推測，從 Aert 到音樂家貝多芬的兩百多年間，或許發生過某些缺乏紀錄的事。

另一方面，貝多芬類似款式的 Y 染色體，如今依然存在，而且在歐洲人資料庫中可以搜尋到 5 款，估計共同祖先能追溯到一千年前。奇妙的是，五群人的姓氏都不一樣，而且都沒有人姓貝多芬。

爆肝的遺傳風險

有很明確的記載指出，貝多芬 56 歲去世前便長期健康欠佳，有腸道和肝的毛病。另外聽力問題也很出名，身為史上一流音樂家，貝多芬的聽覺竟然從 20 多歲起逐漸退化，去世前聽力極差，原因成謎。

這些問題和遺傳有關嗎？人類遺傳學研究已經找到不少與疾病、健康有關的風險因子，檢查發現，聽力與腸道方面的毛病，貝多芬沒有配備哪些 DNA 變異明顯有關，後天因素的影響也許更大。

貝多芬的肝實際上大有問題，遺傳上看來，幾處基因上也具備高風險的變異。純以 DNA 來說有酗酒傾向，而他晚年確實會酗酒。

不過風險最明確的是 PNPLA3 基因，貝多芬在此基因 rs738409 位置，配備的一對變異與「肝硬化」高度相關，也就是先天上，肝硬化的機率更高。

最終命運：肝硬化×酗酒×B型肝炎？

另一很難想像的發現是，貝多芬去世前不久留下的「Stumpff」頭髮中，偵測到 B 型肝炎病毒的 DNA 片段。

儘管出乎意料，最近確實有研究報告，在病患的頭髮中檢驗到 B 肝病毒。因此頭髮中的病毒 DNA 或許不是後人汙染，而真的是曾經感染貝多芬的病毒。

B 肝病毒有很多款，貝多芬感染的型號是歐洲常見款式 D2。他在 1827 年 3 月去世，留下這些頭髮的日期則早於 1826 年冬天，由此可知去世前幾個月，貝多芬正在感染 B 型肝炎。

即使體內有 B 肝病毒，也不見得能在頭髮中偵測到，所以更早留下的頭髮中沒有病毒，不等於他當時沒有感染。貝多芬也有可能是長期感染的慢性帶原者。

貝多芬中年起健康明顯走下坡，去世前幾年或許同時受到肝硬化、酗酒、B 型肝炎的夾擊，才會導致嚴重的肝病問題。

歷史記載 1826 年 12 月時，貝多芬出現黃疸、四肢腫脹，很像肝功能衰竭的症狀。他就此臥床，直到長眠。

貝多芬，我們懷念他。大家也要注意健康，小心肝。

延伸閱讀

• 【2022 年諾貝爾生理或醫學奬】復現尼安德塔人消逝的 DNA，也映襯我們何以為人
• 由博物館頭髮 重建澳洲族群史
• 印地安領袖「坐牛」，DNA確認現存後裔
• 古埃及與古代DNA（中）──圖坦卡門身世之謎真的解開了嗎？
• 古埃及與古代DNA（下）──法老與子民
• 江山代有 B 肝出，各領風騷數千年—— B 型肝炎病毒的萬年演化史
• 16世紀墨西哥城3位非洲奴隸，還有他們的B肝病毒與雅司病
• 遺體中尋獲肉毒桿菌，能證明聶魯達被謀殺嗎？

參考資料

1. Begg, T. J. A., Schmidt, A., Kocher, A., Larmuseau, M. H., Runfeldt, G., Maier, P. A., … & Krause, J. (2023). Genomic analyses of hair from Ludwig van Beethoven. Current Biology.
2. Beethoven’s cause of death revealed from locks of hair

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。